1. No category

Rungon kapenemisen ennustaminen
hakkuukoneen mittalaitteella
Ennustusmenetelmien vertailu
Eero Lukkarinen
Jari Marjomaa
Metsätehon raportti 35
15.12.1997
Konsortiohanke: A.Ahlström Osakeyhtiö, Aureskoski Oy,
Enso Oyj, Koskitukki Oy, Kuhmo Oy,
Metsäliitto Osuuskunta, Metsähallitus,
Pölkky Oy, UPM-Kymmene Oyj,
Vapo Timber Oy,Visuvesi Oy
Suomen Puututkimus Oy ja sen osakkaat
Osoite:
PL 367 (Tekniikantie 12)
02151 Espoo
Puhelin: (09) 4354 2022
Telekopio: (09) 466 695
Asiasanat: kapenema, runkomuoto, mittaustarkkuus,
runkokäyrä, kasvukäyrä
© Metsäteho Oy
Helsinki 1998
SISÄLLYS
sivu
ALKUSANAT ............................................................................ 3
TIIVISTELMÄ .......................................................................... 4
1 TAUSTA JA TAVOITE ......................................................... 5
2 ENNUSTAMISMENETELMÄT ......................................... 6
2.1 Yleistä ................................................................................. 6
2.2 Runkopankin hyödyntäminen ........................................... 7
2.3 Matemaattiset menetelmät ................................................ 7
2.3.1 Suoraviivainen eli lineaarinen malli......................... 8
2.3.2 Kasvukäyrä-malli ..................................................... 9
2.3.3 Suhteellinen puunmuoto-malli ................................. 9
2.4 Nykytilanne mittalaitevalmistajittain................................ 11
3 TUTKIMUSMENETELMÄ JA -AINEISTO..................... 12
4 TULOKSET .......................................................................... 14
4.1 Tukkiosan pituuden ennuste.............................................. 14
4.2 Läpimitan ennuste ............................................................. 16
4.3 Case Kuorevesi ................................................................. 21
4.3.1 Aineisto .................................................................... 21
4.3.2 Pituuden mittaus ....................................................... 22
4.3.3 Läpimitan mittaus..................................................... 23
4.3.4 Ennustemallin tarkkuus ............................................ 24
5 PÄÄTELMÄT ....................................................................... 27
KIRJALLISUUTTA .................................................................. 29
2
Metsätehon raportti 35
15.12.1997
2
ALKUSANAT
Tämä tutkimus on tehty osana Tuotelähtöinen puunhankinta -projektia, jonka
omistajina ovat Suomen Puututkimus Oy ja Metsäteho Oy osakkaineen.
TEKES on rahoittanut projektia Puun mekaanisen jalostuksen teknologiaohjelmasta. Projektia on johtanut yhteinen johtoryhmä. Tutkimukset on toteutettu seitsemässä eri osaprojektissa. Aineistojen hankinta on ollut pääosin yhteinen.
Tuotelähtöisessä puunhankinnassa korostuvat teollisuuden asiakaslähtöisyys
korostuminen sekä integroituneen teollisuuden puuraaka-aineen tarkempi
prosessiohjaus kannattavuuden mukaan. Tuotelähtöinen puunhankinta -projektissa on kehitetty hakkuukoneryhmän ja varannon ohjauksen toimintamalleja.
Hakkuukoneapteeraustekniikan kehittäminen -osaprojektin yhtenä osana selvitettiin hakkuukoneiden ennustemallien toimintaa. Hankkeessa kehitettiin
myös hakkuukoneiden mittaustiedon perusteella toimiva runkomuodon
ennustemalli. Hakkuukoneryhmän ohjaus -projektissa käytettiin ennustemallia jäljiteltäessä hakkuukoneiden toimintaa.
Projektissa olivat yhteistyökumppaneina Tampereen yliopiston matemaattisten tieteiden laitos ja Ponsse-tietojärjestelmät.
Helsingissä 15.12.1997
Eero Lukkarinen
Jari Marjomaa
3
Metsätehon raportti 35
15.12.1997
3
TIIVISTELMÄ
Tutkimuksessa selvitettiin rungon kapenemisen ennustamista hakkuukoneen
mittalaitteella. Yksioteharvesterissa on tarkka rungon kapenemisen ennustusmenetelmä välttämätön, jotta saavutetaan paras mahdollinen apteeraus. Puutteellisen tai virheellisen tiedon pohjalta arvoapteeraus- ja jakaumaohjausmenetelmät eivät voi toimia kunnolla.
Työssä selvitettiin eri mittalaitevalmistajien tällä hetkellä käytössä olevien
ennustemallien toimintaperiaatteet. Samalla saatiin selville, että apteerausautomatiikalla varustettuja hakkuukoneita on Suomessa noin 810 (marraskuu 1997).
Tutkimuksessa tarkasteltiin kahta teoreettisilta perusteiltaan erilaista runkomuodon ennustusmallia, joiden pohjalta on edelleen kehitetty hakkuukoneisiin soveltuvat ennustemallit. Tampereen yliopistossa kehitetty menetelmä on mukautettu toimimaan Ponssen hakkuukoneisiin. Metsätehon mallissa
puolestaan on samoja piirteitä kuin Sisu-Loggingin tarkastelemassa runkomuodon ennustusmallissa. Ennustemalleja testattiin erimerkkisillä hakkuukoneilla kerätyillä runkoaineistoilla (STM). Lisäksi kerättiin erillinen aineisto, jossa saatiin käyttöön Ponssen hakkuukoneella rungon käsittelyn aikana
tehdyt ennusteet.
Ennustemallien toiminnan tarkkuutta arvioitiin tukkiosan pituuden ja tukkien
latvaläpimittojen ennusteiden perusteella.
Ponssen ennustemalli toimi tarkemmin kuin kumpikaan teoreettinen malli.
Kuusella tukkiosan pituuden ennustevirheiden keskiarvo oli +11 cm ja
männyllä – 28 cm. Keskihajonta oli kuusella 140 cm ja männyllä 160 cm.
Tukkien latvaläpimittojen ennustevirheiden keskiarvo oli kuusella +3 mm ja
männyllä – 9 mm. Keskihajonta oli männyllä 21 mm ja kuusella 13 mm. Teoreettisilla malleilla erityisesti keskihajonnat olivat suuremmat.
Keskimäärin Ponssen malli toimii koko rungolla hyvin. Yksittäistä ennustekohtaa tarkasteltaessa havaitaan ongelmia esimerkiksi männyn tyvellä, jossa
ennusteet ovat selvästi aliarvioita sekä tukkiosan pituuden että latvaläpimittojen suhteen. Samaten suurehko keskihajonta kertoo, että yksittäisissä
ennusteissa on selkeästi virheellisiä ennusteita.
Nykyisellä läpimitan mittaustarkkuudella ennustemallin toimintaa on vaikea
parantaa. Parempi läpimitan mittaustarkkuus johtaisi parempiin ennusteisiin.
4
Metsätehon raportti 35
15.12.1997
4
1 TAUSTA JA TAVOITE
Keskeistä tuotelähtöisessä puunhankinnassa on ohjata tukkien katkonnan ohjaus tuotantolaitosten tarpeiden mukaisesti. Rungon optimaalisen apteerauksen onnistumiseen vaikuttavat ratkaisevasti hakkuukoneen mittalaitteen
läpimitan ja pituuden mittaustarkkuus sekä rungon kapenemisen ennustusmenetelmä.
Läpimitan ja pituuden mittaustarkkuus on kehittynyt yksioteharvestereissa
yhtä hyväksi kuin parhaissa kaksioteharvestereissa. Mittaustarkkuus onkin
nykyisin riittävä virallisten vaatimusten mukaiseen työ- ja luovutusmittaukseen. Samalla kuitenkin rungon apteerausta koskevat vaatimukset ovat
kasvaneet, mikä merkitsee entistä tiukempia vaatimuksia erityisesti läpimitan
mittaustarkkuudelle.
Yksioteharvesterissa on tarkka rungon kapenemisen ennustusmenetelmä välttämätön optimaalisen apteerauksen onnistumiseksi. Rungon tyveltä alkaen
3 – 4 metrin matkalta mitattujen läpimittojen perusteella mittalaite laskee ensimmäisen kapenemisennusteen loppurungolle. Tämän ennusteen perusteella
lasketaan rungolle katkontaehdotus, jota korjataan uusien ennusteiden perusteella rungon käsittelyn edetessä. Puun runkomuodon eli runkokäyrän ennustaminen on apteerauksen ohjauksen tärkein osa. Mikäli se ei toimi, eivät
arvoapteeraus- ja jakaumaohjausmenetelmätkään voi toimia kunnolla, koska
tällöin ne perustuvat virheelliseen tai puutteelliseen lähtötietoon. Apteerauksen onnistumiseksi on erityisen tärkeää, että rungon tukkiosan pituus eli
etäisyys tukin vähimmäisläpimittaan ennustetaan riittävän tarkasti.
Hakkuukoneiden mittalaitteiden laskenta- ja muistikapasiteetin kehittyessä
voidaan rungon kapenemisen ennustamisessa soveltaa yhä kehittyneempiä
menetelmiä. Metsätehossa toteutetun Tuotelähtöinen puunhankinta -projektin
osatehtävänä oli selvittää hakkuukoneiden mittalaitteiden apteerausohjelmien
ominaisuuksia. Tässä osatehtävässä tarkasteltiin kahta rungon kapenemisen
ennustamismenetelmää: Tampereen yliopistossa kehitettyä tilastollisiin
toistomittausmatriiseihin perustuvaa menetelmää ja Metsätehossa kehitettyä
polynomimalleihin perustuvaa menetelmää. Molemmilla menetelmillä laskettiin kapenemisennusteet laajalle runkojoukolle ja niitä verrattiin todellisiin
mittaustuloksiin.
5
Metsätehon raportti 35
15.12.1997
5
2 ENNUSTAMISMENETELMÄT
2.1 Yleistä
Hakkuukoneen tuottamat perättäiset mittaushavainnot vaihtelevat paljon. Ennustamista ja tilavuuden laskentaa varten hakkuukoneen mittaustietoa
esikäsitellään eli suodatetaan. Läpimittahavainnoista pyritään poistamaan sellaiset yksittäiset arvot, jotka eivät kuvaa rungon todellisia läpimittoja. Poikkeamat voivat johtua esimerkiksi tavanomaista suuremmista oksista.
Läpimittahavaintojen suodatustavat vaihtelevat hakkuukone- ja mittalaitetyypeittäin. Hakkuukoneen kuljettajalla ei ole mahdollisuutta vaikuttaa
suodatusrutiineihin, vaan ne ovat konevalmistajien laatimia vakiomenettelyjä. Suodatusrutiineissa määritellään mm. se kuinka paljon läpimitan
mittaustulos saa poiketa edellisen mittausvälin mittaustuloksesta. Suodatuksen jälkeen läpimittojen mittaustiedot ovat kelvollisia rungon ennustamiseen (kuva 1).
Kuva 1. Suodatuksen vaikutus hakkuukoneen mittaustulokseen.
Kaikki menetelmät pyrkivät ennustamaan rungon tuntematonta osaa jo käsitellyn rungon osan perusteella. Ennustettavan rungon osan pituus vaihtelee
konevalmistajittain ja on noin 2 – 5 kertaa tunnetun rungon osan pituus eli
suurimmillaan noin 20 m. Hakkuukoneen apteerausalgoritmi tarvitsee toimiakseen tiedon rungon läpimitoista. Ennustemallin avulla saadaan käsiteltävästä rungosta läpimitan6 arvio kullekin korkeudelle. Kapenemisen
ennustamismalleja voidaan tarkentaa puutavaran valmistuksen yhteydessä eli
niistä voidaan tehdä joustavia ja oppivia. Tällöin niiden antamia
Metsätehon raportti 35
15.12.1997
6
kapenemisennusteita voidaan tarkentaa jokaisen rungon kohdalla sen valmistuksen edetessä ja mittaustulosten määrän kasvaessa. Lisäksi jokaista valmistettua runkoa voidaan käyttää kapenemisennusteiden sovittamiseen kyseisen
leimikon runkoihin.
Mittalaite vertaa rungon käsittelyn aikana mitattuja ja ennustettuja läpimittoja
toisiinsa. Mikäli nämä poikkeavat enemmän kuin ennalta asetetut rajat sallivat, lasketaan rungolle uusi ennuste. Ennusteen ja mittaustiedon välistä eroa
voidaan seurata joko jatkuvasti tai tietyissä kohdissa, esimerkiksi ehdotetuissa katkontakohdissa.
Ennustamista varten tarvitaan vertailuläpimitta, joka hakkuukoneesta riippuen otetaan 2 – 3 metrin korkeudelta. Puun tyvilaajentuman vaikutus pienenee
korkeammalle siirryttäessä, ja rungon läpimittojen mittauksesta katoaa tyven
epäsäännöllisen muodon aiheuttama ylimääräinen vaihtelu. Runkokäyrän ennustaminen voidaan vertailuläpimitan mittauksen jälkeen tehdä erilaisilla tavoilla.
2.2 Runkopankin hyödyntäminen
Yksinkertaisimmillaan käsiteltävän leimikon puita kerätään mittalaitteen
muistiin runkopankiksi, josta vertailuläpimitan tai -läpimittojen avulla haetaan käsiteltävänä olevan rungon kokoinen runko. Runkopankin rungosta tunnetaan läpimitat käyttöosan matkalta ja oletetaan, että käsiteltävänä oleva runko kapenee vastaavalla tavalla. Jokseenkin tällainen menetelmä on käytössä
vanhemmissa Mitron Oy:n MOTOMIT-mittalaitteissa. Menetelmä on yksinkertainen eikä vaadi laskentaa, joten se ei aseta suuria vaatimuksia mittalaitteelle. Samankaan leimikon puut eivät aina kuitenkaan ole runkomuodoltaan
samanlaisia. Erityisesti sekapuustoisissa, epätasaisissa leimikoissa absoluuttisin mitoin ilmaistu runkomuoto vaihtelee runsaasti. Mitron Oy on kehittänyt em. syistä ennustealgoritmiansa edelleen. Uudemmissa MOTOMIT4mittalaitteissa runkomuodon ennustamiseen käytetään osittain suhteellisia
läpimittoja ja korkeuksia.
Timberjackin TJ3000-mittalaitteen ennustemalli perustuu myös runkopankin
käyttöön. Runkopankkiin tallennetaan todellisten runkojen tasoitettuja
kapenemia. Käsittelyssä olevasta rungosta tiedetään läpimitta vertailukorkeudella ja tunnetun osan kapenemat eri korkeuksilla. Vertailuläpimitan
avulla valitaan rungot, joiden haluttujen korkeuksien välisten kapenemien
avulla valitaan käsittelyssä olevan rungon ennuste. Rungon käsittelyn edetessä taulukossa liikutaan solusta toiseen ja saadaan loppurungolle ennuste.
2.3 Matemaattiset menetelmät
Matemaattisen yhtälön avulla runkomuotoa ennustavia menetelmiä on Suo7
messa käytössä kolmea päätyyppiä.
Niissä kussakin voidaan runkomuoto ennustaa joko pelkästään käsittelyssä olevan rungon avulla tai sen lisäksi hyödyntää aiemmin käsiteltyjä runkoja. Kehittyneimmät tavat perustuvat
Metsätehon raportti 35
15.12.1997
7
leimikon edellisiin puihin ja käsiteltävänä olevan rungon tietojen käyttöön.
Niissä kerätään kustakin leimikosta tietty määrä viimeiseksi käsiteltyjä
runkoja puulajeittain hakkuukoneen mittalaitteen muistiin. Kokonaan
mitattujen puiden sekä käsiteltävänä olevan puun mitatun osan avulla voidaan
tehokkaasti ennustaa käsiteltävän puun vielä tuntemattomat läpimitat. Muistiin kerätään runkoja liukuvasti ja vanhin runko korvautuu aina juuri
valmistetulla rungolla.
2.3.1 Suoraviivainen eli lineaarinen malli
Suoraviivaisessa ennustemallissa mitataan vähintään kaksi läpimittaa rungon
eri korkeuksilta ja oletetaan rungon loppuosan kapenevan samalla tavoin.
Koska runkomuoto on erityisesti tyvellä ja latvassa käyräviivainen, on menetelmästä jouduttu laatimaan kehittyneempiä versioita. Niissä vältytään joiltakin lineaarisen mallin heikkouksilta, kun mittalaite tunnistaa, missä kohdassa
rungolla ollaan. Voidaan myös laskea vaihtoehtoisia runkokäyräennusteita
muuttamalla ennusteen kapenemista ylös- ja alaspäin. Kapenemisviuhkan
suorista valitaan sellainen, joka vastaa parhaiten toteutunutta kapenemista.
Ennustemalliin voidaan myös lisätä leimikkoon mukautuvia termejä.
Kuva 2. Suoraviivaisen ennustemallin periaate.
Suoraviivaisen ennustemallin (kuva 2) hyviä puolia ovat sen yksinkertaisuus
ja laskennallinen keveys, mistä johtuen se ei aseta mittalaitteelle niin suuria
8
vaatimuksia kuin monimutkaisempaa
yhtälöä käyttävät menetelmät. Huonoja
puolia taas on herkkyys mittausvirheille ja puun rungon poikkeavuuksille.
Puun runkoa ei voida myöskään kuvata yhdellä ainoalla yhtälötyypillä.
Metsätehon raportti 35
15.12.1997
8
Aikaisemman sukupolven ja kymmenkunta Timberjack TJ3000-mittalaitetta
vanhimmasta päästä perustuvat suoraviivaisen ennustemallin jonkin
variaation käyttöön.
2.3.2 Kasvukäyrä-malli
Tilastolliseen kasvukäyrään perustuvaa rungon kapenemisen ennustamismenetelmää käytetään Ponsse Opti -mittalaitteissa. Menetelmässä
vertailuläpimittaan saakka mitattuihin eli tunnettuihin läpimittoihin sovitetaan parhaiten sopiva puunmuotoa kuvaava runkokäyrä, joka on Ponssella
kolmannen asteen polynomi. Yksittäisen rungon käsittelyn jälkeen mitatuista
läpimitoista lasketaan polynomiyhtälö ja sen kertoimet tallennetaan mittalaitteen muistiin. Seuraavan puun käsittelyn aikana mittalaitteen muistista etsitään vertailuläpimitan avulla lähes vastaavan kokoiset rungot, joita otetaan
laskentaan 20. Näiden runkojen yhtälöistä muodostetaan keskimääräinen
runkokäyrä, jota käytetään kun ennustetaan käsiteltävän rungon tuntemattomat läpimitat. Mittalaitteen muistissa pidetään puulajeittain 60 viimeisen rungon tiedot.
Ruotsalaisten ja Tampereen yliopiston tekemien tutkimusten mukaan menetelmä sopii hyvin puun runkokäyrän ennustamiseen. Menetelmä on laskennallisesti raskas ja vaatii hakkuukoneen mittalaitteelta hyvää laskentakapasiteettia.
Kasvukäyrää ei välttämättä tarvitse sovittaa tilastollisesti. EPEC Oy:n kehittämässä menetelmässä käyräviivainen ennustemalli lasketaan jatkuvasti läpimitan mittaustiedon karttuessa. Runkoa kuvaavan käyrän alkuparametrien
laskennassa hyödynnetään leimikosta aikaisemmin hakattuja runkoja.
2.3.3 Suhteellinen puunmuoto-malli
Suhteellisen puunmuototeorian mukaan leimikon puut ovat jokseenkin vakiomuotoisia, kun niitä tarkastellaan suhteellisin mitoin. Puut vakioidaan siten,
että puun pituus ja läpimitta saa 20 %:n suhteellisella korkeudella arvokseen
yksi. Esimerkiksi 24,8 metriä pitkällä puulla 20 %:n suhteellinen korkeus tarkoittaa 4,96 metrin korkeutta. Saman puun muut suhteellisilta korkeuksilta
mitatut läpimitat suhteutetaan edelleen 20 %:n korkeuden läpimittaan.
Tyvellä läpimitat ovat suurempia kuin yksi, ja latvaa kohden ne pienenevät
siten että latvan kärjessä ne saavat arvokseen nolla.
Runkokäyrämallin perusyhtälönä on polynomimalli, joka muodostetaan
Fibonaccin lukusarjan pohjalle. Fibonaccin sarja on potenssisarja, jossa termin aste saadaan laskemalla sitä edeltävän kahden termin asteet yhteen, jolloin sarjan potenssit ovat: 1, 2, 3, 5, 8, 13, 21, 34, jne. Laasasenahon (1982)
valtakunnallisissa runkokäyräyhtälöissä käytettiin kahdeksaa ensimmäistä
9 ovat 34. asteen polynomeja. Hakkuukonetermiä sarjasta, eli runkokäyrät
ympäristössä käytetään matalampiasteisia polynomeja; yleensä riittää sarjan
viisi tai kuusi ensimmäistä termiä.
Metsätehon raportti 35
15.12.1997
9
Yleiseen puumuototeoriaan perustuvassa ennustamisessa käsiteltävästä
korjuukohteesta muodostetaan puulajeittain liukuva, määräkokoinen otostiedosto. Otostiedoston vanhin runko korvautuu aina juuri valmistetulla, uudella rungolla. Liukuvassa otostiedostossa on tietyiltä, puun pituuteen nähden
suhteellisilta korkeuksilta mitattuja läpimittahavaintoja. Näistä havainnoista
lasketaan seuraavalle käsittelyyn tulevalle rungolle runkokäyrä, jonka avulla
voidaan hallita rungon kaikki eri läpimitta- tai pituusyhdistelmät ennen
ensimmäistäkään katkaisua.
Kuva 3. Suhteellisen puunmuoto-mallin toimintaperiaate.
Laasasenahon yhtälöt (kuva 3) ovat syrjäyttäneet pystypuuston runkojen tilavuuden ja puutavaralajien tilavuuksien laskennassa lähes täysin muut menetelmät. Polynomimalli soveltuu puun muodon kuvaamiseen hyvin, kun puun
pituus tunnetaan. Hakkuukoneapteerauksessa puun pituus on ennustettava,
mikä huonontaa jossakin määrin läpimittaennusteiden tarkkuutta.
Metsätehossa on tutkittu polynomimallin käyttämistä hakkuukoneissa Sisu
Logging Oy:n toimeksiannosta. Kehitetyn mallin oikeudet ja ohjelmakoodi
ovat Sisu-Logging Oy:n omaisuutta. Tästä syystä Metsätehossa laadittiin ja
ohjelmoitiin erillinen ennustemalli C++ – ohjelmointikielellä. Ennustemenetelmien perusidea on sama, mutta toteutus poikkeaa sen verran, että
Sisu-Loggingille laaditun ennustemallin tarkkuudesta ei voi Metsätehon mallin pohjalta tehdä päätelmiä. Sisu-Logging jatkaa oman mallinsa kehitystyötä
ja hakkuukoneympäristöön sovittamista.
10
Myös S. Pinomäki Ky:ssä on tehty ennustemallin laatimiseksi kehitystyötä,
joka perustuu Laasasenahon runkokäyrien käyttöön.
Metsätehon raportti 35
15.12.1997
10
2.4 Nykytilanne mittalaitevalmistajittain
Yhteenvetona on alla olevaan taulukkoon koottu eri mittalaitteiden käyttämä
ennustemallin toimintaperiaate. Aikaisempien runkojen hyödyntäminen edellyttää jonkin muotoisen runkopankin käyttöä, joten lähes kaikissa markkinoilla olevissa, runkomuotoa ennustavissa mittalaitteissa kerätään runkopankkia.
TAULUKKO 1. Ennustemallin periaate laitevalmistajittain.
Käsiteltävänä
oleva runko
Käsiteltävänä oleva runko
ja aikaisemmat rungot
Runkopankki
Motomit
Muokattu runkopankki
TJ3000, VMM2000
Suoraviivainen
VMM1000
TJ3000 vanhimmat
Kasvukäyrä
Opti, EPEC 4W50 Apt
Suhteellinen puunmuoto
PIKAMAT PC, VMM2000
Apteerausautomatiikalla varustettujen hakkuukoneiden määrä kasvaa konekannan ja hakkuulaitteiden uusiutuessa. Tällä hetkellä (marraskuu 1997) noin
80 prosentilla hakkuukoneista on jonkinlainen automatiikka, joskaan sitä ei
hyödynnetä läheskään kaikissa (taulukko 2).
TAULUKKO 2. Apteerausautomatiikalla varustettujen mittalaitteiden
lukumäärä Suomessa (11/97).
Mittalaite
Mittalaitteiden
kappalemäärä
Ominaisuuksista
ainakin osa käytössä
EPEC 4W50 Apt
42
42
Opti
340
190 versio 3.x
150 versio 7.x
240
190 versio 3.x
50 versio 7.x
PIKAMAT PC
Muutama
TJ3000
300
200
VMM2000
100
50
MOTOMIT
MOTOMIT4
10
20
10
18
Yhteensä
810
560
Muuta
Kaksi versiota,
Vanhempi opti 7.x
ja uudempi opti 3.x
Testikäytössä
MOTOMIT on vanhempi versio.
11
Metsätehon raportti 35
15.12.1997
11
3 TUTKIMUSMENETELMÄ JA -AINEISTO
Tutkimuksessa hyödynnettiin Tuotelähtöinen puunhankinta -projektissa kerättyjä runkotietoja, jotka oli tallennettu hakkuukoneen mittalaitteella.
Runkotiedot sisälsivät hakkuukoneen tiedonsiirtostandardin mukaisessa
muodossa (STM-tiedosto) rungon läpimittatiedot sekä tehtyä katkontaa vastaavat pölkkyjen läpimitta- ja pituustiedot. Tutkimusaineistoksi valittiin
tukkipuun kokoisia runkoja, joiden tiedot oli kerätty Timberjack TJ3000-,
Ponsse Opti- ja Valmet VMM1000 -mittalaitteilla (taulukko 3).
TAULUKKO 3. Tutkimusaineiston määrä mittalaitteittain ja kohteittain
Mittalaite
Kohde
Kuusirunkoja
Mäntyrunkoja
Ponsse Opti
Ponsse Opti
C - leimikko
S - leimikko
526
159
234
494
Timberjack TJ3000
Timberjack TJ3000
Timberjack TJ3000
F - leimikko
J - leimikko
K - leimikko
313
68
132
249
386
65
Valmet VMM1000
V - leimikko
126
48
1324
1476
Yhteensä
Rungon kapenemisen ennustemenetelmän toimivuuden arvioimiseksi valittiin kaksi kriteeriä: tukkiosan pituus ja tukin latvaläpimitta. Tukkiosan pituuden ennustaminen on tärkeää, koska tukkiosa tulisi hyödyntää maksimaalisesti. Jos tukkiosa arvioidaan liian lyhyeksi ja siitä katkotaan kolmen
tukin sijasta kaksi, osa tukista jää hyödyntämättä. Tukin latvaläpimitan ennustamisen oikeellisuus on vastaavasti tärkeä tekijä jakauma-apteerauksen onnistumisen kannalta. Kun pyritään hakemaan tukkien tiettyjä dimensioita, huono
läpimitan ennustetarkkuus vaikeuttaa halutun dimensiojakauman saavuttamista.
Metsätehossa laadittiin projektin kuluessa yleinen suhteelliseen puunmuototeoriaan pohjautuva ennustemalli, jossa hakkuukoneiden mittalaitteiden erityispiirteitä on otettu huomioon. Runkokäyrän laskennassa tarvittava pituus
ennustetaan Henttosen laatimilla leimikkoon mukautuvilla pituusmalleilla.
Pituusennustetta varten tarvitaan vertailuläpimitta, joka Metsätehon sovelluksessa otetaan 2,5 metrin korkeudelta. Vertailuläpimitan ja sen mukaan lasketun pituuden avulla lasketaan ensimmäinen ennuste koko rungon kaikille
läpimitoille. Ensimmäisessä katkaisukohdassa tarkistetaan, onko ennuste ollut riittävän lähellä ehdotetussa katkaisukohdassa mitattua läpimittaa. Tässä
tutkimuksessa ennusteen tarkistamiseen käytetty ikkuna oli 0 – 4 mm, eli mikäli ennuste alittaa mitatun läpimitan tai on yli 4 mm suurempi, ennuste lasketaan uudelleen.
Tilastolliseen kasvukäyrään 12
perustuvat ennusteet laskettiin Tampereen yliopistossa. Kapenemisennusteen laskenta vastaa osittain Ponssen mittalaitteessa käytettävää ennustustapaa. Tampereen yliopiston menetelmä on ke-
Metsätehon raportti 35
15.12.1997
12
Kuva 4. Tukkien latvaläpimittojen ja tukkiosan pituuden ennusteiden laskenta Metsätehon mallissa.
hitetty siten, että tiettyjen tilastollisten optimaalisuuskriteerien perusteella tarkastellen saatiin aikaan tehokas menetelmä puun muodon ennustamiseen.
Ponssen mittalaitteelle tehdyssä sovelluksessa on laskentaa yksinkertaistettu,
mutta muutettu samalla vakaammaksi. Tampereen yliopiston ohjelmaan ei
myöskään ole koodattu käytännössä tarpeellisia osia, kuten ennusteen tarkistusta katkaisukohdissa. Tampereen yliopiston menetelmä laadittiin kuusirungoille ja sitä testattiin nyt ensimmäisen kerran männyille.
Rungon ensimmäinen ennuste laskettiin, kun rungon mittaustietoja oli
syötetty tyvestä lähtien kolme metriä. Ennuste laskettiin kyseisestä kohdasta
eteenpäin jokaisen tukin katkaisukohtaan, tukkien välissä mahdollisesti oleviin kuitupölkkyjen katkaisukohtiin ja tukkiosan päättymisläpimittaan (150
mm).
Seuraavat ennusteet laskettiin, kun rungon mittaustietoja oli ensimmäisen
tukin katkaisukohdan jälkeen taas syötetty kolme metriä. Tällä tavoin ennusteiden laskentaa jatkettiin viimeisen tukin katkaisukohtaan saakka. Ennustelaskennan tulokset tallennettiin kukin ennustekerta erikseen. Läpimitat laskettiin 1 mm:n tarkkuudella, ennustekohdat ja tukkiosan pituudet 1 cm:n tarkkuudella (kuva 5).
13
Kuva 5. Tukkien latvaläpimittojen ja tukkiosan pituuden ennusteiden laskenta Tampereen yliopiston mallilla.
Metsätehon raportti 35
15.12.1997
13
4 TULOKSET
4.1 Tukkiosan pituuden ennuste
Tukkiosan pituuden ennuste laskettiin siten, että tukin tyvestä mitattiin etäisyys 15 cm:n läpimittaan saakka. Pituuden ennuste laskettiin uudelleen jokaisella ennustekerralla ja sitä verrattiin samalla tavoin määritettyyn todelliseen
tukkiosan pituuteen. Ennusteiden erojen keskiarvot ja keskihajonnat laskettiin puulajeittain ja ennustekohdittain.
Kasvukäyrään pohjautuvalla mallilla rungon tyviosassa (kaksi ensimmäistä
ennustetta) laskettu tukkiosan pituusennuste oli sekä männyllä että kuusella
keskimäärin todellista tukkiosan pituutta pienempi. Männyllä toisen ennusteen systemaattinen ero oli jopa kaksinkertainen (–86 cm) ensimmäiseen
ennusteeseen verrattuna. Tämä johtunee siitä, että mäntyjen paksun tyvikaarnan muuttuessa kuoreksi runko kapenee nopeasti, ja ennustemalli mukautuu
siihen hyvin. Rungon latvaosassa (3. – 5. ennusteet) tukkiosan pituuden ennuste antoi keskimäärin hieman liian suuren tuloksen. Ennusteiden keskimääräinen ero oli männyllä – 43 cm ja kuusella –14 cm. (kuva 6)
Kuva 6. Tukkiosan pituuksien ja niiden ennusteiden erotuksien keskiarvot
ennustekohdissa.
Suhteelliseen runkomuotoon perustuvaa mallia ei saatu projektin aikana toi14
mimaan kunnolla. Tukkiosan pituuden ennusteen tulisi tarkentua, kun tieto
rungosta lisääntyy. Metsätehon malli on kuitenkin tarkimmillaan tyvellä, jossa se toimii hyvin.
Metsätehon raportti 35
15.12.1997
14
Ennuste-erot vaihtelivat molemmilla ennustemalleilla ja molemmilla puulajeilla paljon. Männyllä kaikkien ennusteiden erojen keskihajonta oli Tampereen yliopiston mallilla noin 130 cm ja Metsätehon mallilla noin 220 cm.
Metsätehon mallin toimimattomuus näkyy myös alla olevassa hajontakuvassa.
Kuva 7. Tukkiosan pituuksien ja niiden ennusteiden erotuksien keskihajonnat
ennustekohdissa.
Tukkiosan pituuden ennustevirheen keskiarvo ja keskihajonta ovat tilastollisia suureita. Käytännössä ne tarkoittavat esimerkiksi Tampereen ennustemallilla sitä, että 68 % männyn toisen tukin ennusteista osuu väliin [-200, 30]
cm, kun todellinen tukkiosan pituus on kohdassa 0 cm. Edelleen 95 %
ennusteista on välissä [-320, 150] cm.
Tukkiosan pituuden ennustamisen onnistumista tarkasteltiin myös
katkontamoduuleittain. Pituusennusteet luokitettiin nollasta alkaen 30 cm:n
luokkiin ali- ja yliarvioihin.
Suuria virheitä, jollaiseksi arvioitiin yli 90 cm:n poikkeama todellisesta, on
paljon molemmilla malleilla: Metsäteholla noin 45 % riippumatta puulajista
ja Tampereen yliopistolla männyllä 45 % ja kuusella 40 %.
15
Metsätehon raportti 35
15.12.1997
15
Ennusteista osuu yhden moduulin sisään ylös- tai alaspäin todellisesta noin
viidennes ja kahden moduulin sisään (± 60 cm) noin 40 %. (Kuva 8)
Kuva 8. Tukkiosan pituuksien ja niiden ennusteiden erotukset.
Runkotiedon keruuseen käytetty mittalaitemerkki ei vaikuttanut paljon Tampereen yliopiston mallilla lasketun tukkiosan pituusennusteen tarkkuuteen.
Ponssella kerätyllä runkotiedolla laskettujen ennusteiden erot vaihtelivat vain
hieman vähemmän kuin Timberjackin tai Valmetin mittalaitteilla kerätyillä
runkotiedoilla laskettujen ennusteiden erot.
Metsätehon malli sen sijaan on herkempi runkotiedoissa oleville
poikkeavuuksille, joita löytyi Ponssella kerätyistä runkotiedoista muita merkkejä enemmän. Timberjackilla ja Valmetilla kerätyillä aineistoilla Metsätehon
mallin toiminta oli yhtä tarkkaa kuin Tampereen yliopiston mallilla.
4.2. Läpimitan ennuste
Tukkien latvaläpimittojen ennusteet laskettiin kunkin tukin kohdalla
laskentakohdasta latvaan päin olleisiin ennustekohtiin. Tukin latvaläpimittojen ennusteiden ja todellisten latvaläpimittojen erojen keskiarvot ja
keskihajonnat laskettiin puulajeittain, ennustekohdittain ja ennusteiden
laskentakerroittain.
Männyllä ensimmäisen ja toisen tukin latvaläpimittojen ennusteet olivat kes16 tyvellä tehdyt latvaläpimitan ennusteet kuikimäärin melko tarkkoja. Rungon
tenkin huononivat sitä enemmän mitä kauemmas latvaan ennuste tehtiin.
Metsätehon malli yliarvioi sekä tukkiosan pituutta että läpimittoja. Tampe-
Metsätehon raportti 35
15.12.1997
16
reen yliopiston malli puolestaan aliarvioi. Kaikista ennusteista laskettu
ennustetun ja todellisen läpimitan ero oli männyllä keskimäärin +2 mm
Metsätehon mallissa ja –5 mm Tampereen yliopiston mallissa. (kuva 9)
Kuva 9. Mäntytukkien latvaläpimittojen ja ennusteiden poikkeamien keskiarvot ennusteen laskentakohdan mukaan. Ylempi kuva Tampereen yliopiston
malli, alempi Metsätehon malli.
17
Metsätehon raportti 35
15.12.1997
17
Kuusella Tampereen yliopiston malli toimii paremmin, Metsätehon jokseenkin samalla tavoin kuin männyllä. Läpimittaennusteiden keskimääräinen
tarkkuus oli useimmissa ennustekohdissa melko hyvä. Ensimmäinen ennuste
oli systemaattisesti todellista läpimittaa 5 – 10 mm pienempi, mutta myöhempien ennusteiden keskimääräiset erot olivat tätä pienemmät. Kaikista
ennusteista laskettu ennustetun ja todellisen läpimitan ero oli kuusella keskimäärin Metsätehon mallilla noin + 1 mm ja Tampereen yliopiston mallilla
noin –3 mm. (kuva 10)
Kuva 10. Kuusitukkien latvaläpimittojen ja ennusteiden poikkeamien keskiarvot ennusteen laskentakohdan mukaan. Ylempi kuva Tampereen yliopiston malli, alempi Metsäteho. 18
Metsätehon raportti 35
15.12.1997
18
Tukin latvaläpimitan ennuste-erojen keskihajonta on esitetty kuvissa 11 ja 12
siten, että ennusteen laskentakohdasta yhtä kaukana olevat ennustekohdat on
yhdistetty viivalla. Kun ennusteen laskentakohta ja ennustettu latvaläpimitta
oli samassa tukissa, merkittiin kuvissa ennustetun tukin järjestysnumeroksi
yksi. Männyllä läpimitan ennuste-erojen keskihajonta oli alle 10 mm, kun
ennustettu kohta oli samassa tukissa kuin ennusteen laskentakohta. Kun ennusteen laskentakohdan ja ennustetun kohdan välinen etäisyys kasvoi, ennuste-erojen keskihajonta suureni. Ennuste-eron keskihajonta taas kasvoi, kun
ennusteen laskentakohta siirtyi rungolla latvaan päin. Kaikista läpimitan
ennusteista laskettujen erojen keskihajonta oli männyllä Metsätehon mallilla
noin 18 mm ja Tampereen mallilla 20 mm. (kuva 11)
19
Kuva 11. Mäntytukkien latvaläpimittojen ja ennusteiden poikkeamien keskihajonta rungon eri kohdissa. Yllä Tampereen yliopiston malli, alla Metsätehon
malli.
Metsätehon raportti 35
15.12.1997
19
Läpimittojen ennuste-erojen keskihajonta oli samanlainen kuusella ja
männyllä. Metsätehon mallilla mänty ja kuusi eivät juuri poikenneet toisistaan. Tampereen mallissa kuusi sen sijaan käyttäytyy hieman loogisemmin,
mikä on nähtävissä kuvasta 12. Kaikista läpimitan ennusteista laskettujen erojen keskihajonta oli kuusella Metsätehon mallilla noin 19 mm ja Tampereen
yliopiston noin 18 mm.
Kuva 12. Kuusitukkien latvaläpimittojen ja ennusteiden poikkeamien keskihajonta rungon eri kohdissa, Tampereen yliopiston malli.
Ennusteiden tarkkuutta tarkasteltiin myös luokittamalla erot nollan molemmin puolin viiden millin luokkiin. Parhaimmillaan kaikista ennusteista 40 %
osui väliin [-5, +5] mm Tampereen yliopiston mallilla kuusia ennustettaessa.
Tampereen mallilla männyllä ja Metsätehon mallilla molemmilla puulajeilla
vastaavaan väliin osui noin 35 % ennusteista. Suurien virheiden, joiksi voitaneen lukea yli 10 mm:n poikkeama yli- tai aliarviona, määrä oli noin 40 %.
Tässäkin Tampereen yliopiston malli kuuselle poikkesi edukseen, sillä suurien virheiden määrä oli 35 %. (Kuva 13)
20
Metsätehon raportti 35
15.12.1997
20
Kuva 13. Tukin latvaläpimittojen ja niiden ennusteiden erot.
Tampereen yliopiston malli tuotti lisäksi 19 katkaisukohtaan negatiivisen
läpimittaennusteen (0,15 % tapauksista). Näitä havaintoja ei otettu mukaan
analyyseihin. Metsätehon mallissa saadaan ainoastaan positiivisia läpimittaennusteita.
4.3. Case Kuorevesi
4.3.1 Aineisto
Ennustemallin käytännön toimivuutta testattiin Ponssen kanssa yhteistyössä
Kuorevedellä. Koneeksi valittiin Nisula A & S Oy:n Ponsse HS15, jossa
hakkuulaitteena oli H73. Konetta ajoi Pentti Partala, joka on osallistunut useisiin Ponssen kehittämishankkeisiin. Näin ollen voidaan hakkuukoneen mittalaitteen olettaa toimineen mahdollisimman hyvin. Samoin kerätty runkotieto
(STM-tiedostot) oli hyvälaatuista.
Maastossa kerättiin 60 mäntyä ja 60 kuusta käsittävä aineisto. Kustakin rungosta otettiin talteen STM-tiedoston lisäksi kaikki hakkuukoneen rungon käsittelyn kuluessa tekemät ennusteet. Kukin ennuste kirjattiin ennustekohdasta
ennustepituuden verran eteenpäin. Kaikista järeistä (yli 15 cm) puutavarakappaleista mitattiin pituus ja latvaläpimitta mittasaksilla ristiinmittauksella. Mitattuja pölkkyjä oli yhteensä 358, joista mäntyjä oli 185 ja
kuusia 173.
21
Leimikkoa hakattiin jonkin verran ennen aineiston keruun aloittamista, jotta
mittalaitteen muistiin ehti kertyä riittävästi runkoja kyseisestä leimikosta.
Metsätehon raportti 35
15.12.1997
21
Ennustemallin käyttäytymiseen vaikuttaviksi parametreiksi asetettiin yleisesti Ponssen hakkuukoneissa käytettävät:
– ennustepituus 19,9 metriä
– ennusteen ja mitatun läpimitan maksimiero [0 – +4] mm,
jonka ylittyessä ennuste lasketaan uudelleen
– katkontaikkuna nimellispituusmitasta ± 3 cm
Leimikosta tehtiin sahatukkeja, joiden pituudet olivat kuusella 34 – 61 dm ja
männyllä 37 – 61 dm. Lisäksi leimikosta tehtiin sorvikuusia, -mäntyjä ja
männyn erikoistyviä.
4.3.2 Pituuden mittaus
Erityisesti pituuden mittaukseen hakkuukone oli kalibroitu hyvin. Pituusmittauksen tarkastelu kohdistui kahteen seikkaan: katkontatarkkuuteen, jolla
tarkoitetaan tarkistusmitatun pituuden ja nimellispituuden välistä eroa, sekä
pituusmittaustarkkuuteen, jolla tarkoitetaan tarkistusmitatun ja koneen
mittaaman pituuden eroa.
Katkonta onnistui keskimäärin hyvin. Kaikista havainnoista laskettu nimellispituuden ja maastossa mitatun pituuden erojen keskiarvo oli + 0,2 cm ja keskihajonta 2,5 cm. Puulajeista männyn mittaus oli tarkempaa ja keskihajonta pienempää. Kuusen pituus yliarvioitui lievästi (0,4 cm) ja keskihajonta oli suurempi (3,1 cm).
Katkontaikkunan sisään [-3, +3] cm kaikista pölkyistä osui 94 % ja ± 5 cm
väliin sattuivat melkein kaikki pölkyt, 99 %. Männyn parempi katkontatarkkuus (kuva 14) johtui paljolti siitä, että sille ei sattunut suuria virheitä kuten
kuuselle.
22
Kuva 14. Katkontatarkkuus eli tarkastusmitatun pituuden ja nimellispituuden
erotus.
Metsätehon raportti 35
15.12.1997
22
Hakkuukone mittasi pituutta tarkasti. Kaikkien tarkastusmitattujen ja hakkuukoneen mittaamien pölkkyjen pituuksien erojen keskiarvo oli +0,03 cm ja
keskihajonta 2,4 cm. Katkontatarkkuuden tapaan myös pituusmittaus oli tarkempaa männyillä. Katkontaikkunan [-3, +3] cm sisällä pölkyistä katkottiin
94 %, ja lähestulkoon kaikilla lopuilla pölkyillä ero oli alle 5 cm.
Kuva 15. Pituusmittaustarkkuus eli tarkastusmitatun pituuden ja hakkuukoneen
mittaaman pituuden erotus.
4.3.3 Läpimitan mittaus
Kunkin pölkyn latvaläpimitta tarkistusmitattiin enintään kymmenen sentin
päästä pölkyn latvasta. Mittasaksilla mitattiin kaksi läpimittaa kohtisuoraan
toisiaan vasten ja niistä laskettiin keskiarvo. Tätä keskiarvoa verrattiin
hakkuukoneen runkotietoihin (STM). Mittasaksilla mitatun yksittäisen
pölkyn latvaläpimitta saattaa olla selvästi virheellinen, Metlan tutkimuksessa
(Päivinen ym. 1992) mittausmenetelmän keskihajonnaksi saatiin noin 4 mm.
Pääasiassa tämä johtuu runkojen soikeudesta, joka tässä aineistossa oli keskimäärin 5 mm ja suurimmillaan 20 mm. Toisin kuin pituutta mitattaessa,
tarkistusmittauksessa ei välttämättä mitata samaa läpimittaa kuin hakkuukoneella.
Läpimitan mittaukseen hakkuukoneen kalibrointi ei ollut paras mahdollinen.
Molemmilla puulajeilla läpimitta yliarvioitiin keskimäärin noin 2 mm ja
keskihajonnaksi saatiin noin 4 mm. Lisäksi koneella oli taipumusta yliarvioi23kuin suuria. Männyn latvatukit (18 kpl) poikda pieniä läpimittoja enemmän
kesivat selkeästi muusta aineistosta. Niiden läpimitta aliarvioitui hakkuukonemittauksessa keskimäärin –1,6 mm.
Metsätehon raportti 35
15.12.1997
23
Hakkuukonemittaukselle on asetettu läpimitan mittaustarkkuudelle yleiseksi
vaatimukseksi ±2 mm (Halinen 1987). Tähän päästiin sekä kuusella että
männyllä 36 %:lla pölkyistä. Puulajit eivät eronneet toisistaan väljemmilläkään vaateilla, vaan mittaustarkkuus oli ± 4 mm 64 %:lla pölkyistä. Lähes kaikki pölkyt (98 %) mitattiin ± 10 mm:n tarkkuudella. Jos kalibrointi olisi ollut kohdallaan, ± 4 mm:n mittaustarkkuus olisi saatu 69 % pölkyistä.
Ruotsissa (Sondell 1996) on päädytty samansuuruisiin ja samankaltaisiin tuloksiin Ponssen läpimitan mittauksesta. Voitaneen todeta, että läpimitan
mittaustarkkuus oli enintään tyydyttävää tasoa (kuva 16).
Kuva 16. Läpimitan mittaustarkkuus eli maastossa mitatun latvaläpimitan ja
hakkuukoneen mittaaman läpimitan erotus.
Mittaustarkkuutta on edellä tarkasteltu varsin laveasti, sillä ennustemallin toiminta riippuu voimakkaasti mittalaitteelle tulevan pituus- ja läpimittatiedon
laadusta. Hyväkään ennustemalli ei voi ennustaa kohdalleen huonoista lähtötiedoista. Teoreettisesti kiinnostavaa ja ennustemallin kehitystyössä olennaista kysymystä mittausvirheiden vaikutuksesta ennustemallin tarkkuuteen selvitetään Tampereen yliopistolla.
4.3.4 Ennustemallin tarkkuus
Ponssen ennustemallin tarkkuutta verrattiin Tampereen yliopiston ennustemallin tuloksiin. Käytännössä Ponssen ennustemalli osoittautui tarkemmaksi.
24 virheiden keskiarvot eri ennustekohdissa tarTukkiosan pituuden ennusteiden
kasteltuna ovat lähempänä nollaa. Kuusella Ponssen ennustemallin toimi hyvin lukuun ottamatta neljännen tukin latvaa, jossa virhe yllättäen kasvaa mo-
Metsätehon raportti 35
15.12.1997
24
ninkertaiseksi verrattuna edellisiin tukkeihin. Männyn tyvitukilla tehdyt
tukkiosan pituusennusteet olivat selvästi aliarvioita. Toisella tukilla tilanne
parantuu selkeästi. (kuva 17)
Kuva 17. Tukkiosan pituuden ennustetarkkuus.
Keskihajonnan suhteen molemmat mallit toimivat enintään tyydyttävästi.
Hajonta Ponssen malleilla on keskimäärin 150 cm ja Tampereen yliopiston
mallilla hieman suurempaa, keskimäärin 170 cm. Erityisesti tukkiosan pituuden hajonta on molemmilla malleilla suurta. Parhaiten Ponsse toimii kuusella.
Kolmannella tukilla noin yhdentoista metrin korkeudella tehdyistä tukkiosan
pituuden ennusteista 68 % osuu väliin [-67, +86] cm, kun todellinen pituus on
kohdassa 0 cm. Huonoimmillaan väli on [- 277, + 62] cm männyn tyvitukilla
2,5 metrin korkeudella. Tampereen yliopiston mallilla vastaavat tarkastelut
tuottavat leveämmät välit.
Metsätehon malli toimi männyllä keskimäärin hiukan tarkemmin kuin Tampereen yliopiston malli, ja keskihajonta oli jokseenkin samansuuruista.
Kuusella sen sijaan Metsätehon malli toimi näistä kolmesta huonoimmin.
Tukkien latvaläpimitan ennustamista tarkasteltiin siten, että hakkuukoneen
ennustamaa tukin latvaläpimittaa verrattiin hakkuukoneen mittaamaan läpimittaan. Samoin tarkasteltiin myös tukkiosan pituutta, jolloin myös haettiin
150 mm:n läpimittaa vastaava korkeus hakkuukoneen mittatiedoista.
25 selvästi huonompi kuin läpimitan mittausLäpimitan ennustetarkkuus on
tarkkuus. Erityisen paljon poikkeaa keskihajonta eli aineisto leviää laajemmalle, mikä näkyy sekä taulukosta 4.
Metsätehon raportti 35
15.12.1997
25
TAULUKKO 4. Kaikkien pölkkyjen latvaläpimitan ja ennusteen erojen
keskiarvot ja keskihajonnat.
Ponsse –
mänty
Keskiarvo, mm
Keskihajonta, mm
Ponsse –
kuusi
TaY –
mänty
TaY –
kuusi
8.5
+ 2.5
– 16.5
– 1.1
21.3
12.9
25.2
19.2
Ponssen ennustemalli aliarvioi mäntytukkien latvaläpimittoja samoin kuin
tukkiosan pituutta. Toisella tukilla tilanne paranee selvästi. Neljännen tukin
latvan ennusteet olivat jälleen selvästi aliarvioita. (kuva 18)
Kuva 18. Läpimitan ennustetarkkuus eli hakkuukoneen mittaaman ja
ennustaman läpimitan erotus.
26
Metsätehon raportti 35
15.12.1997
26
5 PÄÄTELMÄT
Tilastolliseen kasvukäyrään perustuva ennustemalli on käytännössä osoittautunut toimivaksi ratkaisuksi. Tämän tutkimuksen tulosten perusteella voidaan
todeta, että ennustusmenetelmä ei sisällä merkittäviä systemaattisia virheitä,
männyn tyvellä tehtävää ensimmäistä ennustetta lukuun ottamatta. Laskennassa käytetty aineisto oli laaja, ja ennustemallia testattiin myös muilla kuin
vain Ponssella kerätyillä mittaustiedoilla.
Ennuste- tai katkontakohtien keskiarvoina tarkastellen ei havaittu sellaisia tapauksia, joissa ennustemalli toimisi erityisen huonosti. Sen sijaan on helposti
löydettävissä yksittäisiä runkoja, joille tehtävät ennusteet ovat selvästi virheellisiä. Erityisesti teoreettiset mallit ovat liian joustavia, ja virheellinen
läpimittatieto aiheuttaa niille ongelmia. Ponssen ennustemallin toimintaa
huonolla läpimitta-aineistolla ei tutkimuksessa saatu tarkasteltua.
Kasvukäyrämalli on kehitetty Tampereen yliopistossa pelkästään kuusirunkoaineistolla. Tämä näkyikin mallin yliopisto-versiolla, jolla männyn ennustaminen sujui selkeästi kuusta huonommin. Hakkuukoneessa puulajeilla oli pieni ero: malli aliarvioi männyllä ja yliarvioi hienoisesti kuusella. Sinällään pieni aliarvio on tukkiosan hyödyntämisen näkökulmasta katsoen parempi kuin
lievä yliarvio. Yliarvio voi joissakin tapauksissa aiheuttaa sen, että tukkiosa
jää osittain hyödyntämättä.
Tukkiosan pituuden ennusteen tarkkuus riippuu siitä, miten tarkka läpimitan
ennuste on rungon latvassa. Tukkiosan pituus ennustettiin rungon tyvessä keskimäärin liian lyhyeksi ja latvaan päin siirryttäessä keskimäärin liian pitkäksi.
Keskimääräiset erot olivat kuitenkin melko pieniä. Tukkiosan pituuden ennusteen tulisi tarkentua, kun kyseisen rungon mittaustietoja on enemmän käytössä. Näin tapahtuikin, mutta tarkkuuden paraneminen oli odotettua vähäisempi.
Tukin latvaläpimitan ennusteessa oli männyllä suurempia systemaattisia eroja
kuin kuusella. Männyn tyviosassa laskettujen ensimmäisten läpimitan ennusteiden systemaattinen aliarvio selitti myös sen, että tukkiosan pituus aliarvioitiin. Männyn latvaa kohti läpimitan ennusteen aliarvio pieneni, minkä
vuoksi myös tukkiosan pituuden ennusteen tarkkuus parani. Myös kuusen
ensimmäinen ennuste aliarvioi läpimitan ja samoin kuin männyllä aliarvio
pieneni myöhemmissä ennusteissa.
Läpimitan ennuste-erojen keskihajonta kuvaa parhaiten ennustamismenetelmän tarkkuutta yksittäisessä rungossa. Kun läpimitan ennuste tehtiin
laskentakohdasta kyseisen tukin latvaan, keskimäärin kahden metrin päähän,
ennuste-eron keskihajonta oli noin 6 mm. Tällä etäisyydellä 2/3 ennusteista
osui ± 6 mm:n tarkkuudella oikeaan
läpimittaan. Seuraavan tukin latvaläpi27
mitan ennusteen tarkkuus oli vastaavasti noin ±12 mm ja sitä seuraavan tukin
noin ± 20 mm. Viimeisen tukin latvaläpimitan ennustamisen hajonta oli
Metsätehon raportti 35
15.12.1997
27
männyllä 35 mm. Tämä tarkkuus ei ole riittävä, kun pyritään tarkkaan tukkien
dimensiojakauman ohjaukseen.
Käytännössä virheellinen läpimitan ennuste korjataan rungon katkonnan aikana siten, että ennustetta verrataan mitattuun läpimittaan karsinnan edetessä.
Niinpä todellisuudessa hakkuukoneen ennuste muuttuu ennen ensimmäistä
katkaisua useita kertoja. Sama toistuu myöhemmilläkin tukeilla, kun ennusteita tehdään useita katkontojen välissä. Ennustetta verrataan mitattuun läpimittaan ennen katkaisua, jolloin voidaan vielä kerran laskea katkontaehdotus
uudelleen. Suuri ennuste-eron vaihtelu merkitsee sitä, että uudelleenlaskennan määrä kasvaa ja ehdotetusta katkontakohdasta joudutaan usein siirtymään. Tämä hidastaa hakkuuta jonkin verran.
Ensimmäisen ennusteen tarkkuuteen vaikuttaa paljon korkeus, jolla ennuste
tehdään. Tutkimuksessa Metsätehon ennusteet laadittiin 2,5 metrin korkeudella kaatoleikkauksesta ja sekä Ponssella että Tampereen yliopiston mallilla
kolmen metrin korkeudella. Tampereen yliopiston tutkimusten mukaan ennusteiden keskivirhe alenee heidän mallillaan muutaman prosentin, jos tunnetun rungon osan pituus lisääntyy 50 cm.
Nykyisellä läpimitan mittaustarkkuudella ennustemallin toimintaa on vaikea
parantaa. Parempi läpimitan mittaustarkkuus johtaisi parempiin ennusteisiin
kahta kautta. Kun runkopankkiin kerättävissä rungoissa on virheitä, laadittavasta ennusteesta tulee väistämättä virheellinen. Edelleen virheellisen
läpimitan avulla tehdään ennusteet. Molemmat aiheuttavat ylimääräistä hajontaa ennusteisiin.
Yhteenvetona todetaan, että Ponssessa käytetty ennustemenetelmä toimii
käytännön kokeissa tarkimmin. Siinäkin runkokohtaista tarkkuutta tulisi kuitenkin edelleen parantaa, kun pyritään entistä tarkempaan tukkien
dimensiojakauman ohjaukseen. Teoreettisten mallien toiminnassa merkille
pantavaa on suuri hajonta. Ero johtuu osaltaan siitä, että teoreettisista malleista puuttuu tuloksia parantavia osia. Näitä ovat Tampereen yliopiston mallissa
runkopankkiin laitettavien runkojen valinta tietyin kriteerein. Metsätehon
malli ei puolestaan nykymuodossaan mukaudu leimikkoon, vaan runkokäyrän laskennassa käytetään valtakunnallisia kertoimia. Teoreettisia malleja
on kuitenkin jatkossakin syytä ylläpitää kehittämistarkoituksia varten.
28
Metsätehon raportti 35
15.12.1997
28
KIRJALLISUUTTA
Ahonen, O-P. 1996. Puun muodon ennustaminen runkokäyrillä ja simuloimalla. Metsätehon katsaus 4/1996.
Halinen, M. 1987. Monitoimikoneiden puunmittauslaitteille asetettavia vaatimuksia. Metsätehon katsaus 12/1987.
Karttunen, P. 1993. Stokastinen monimuuttujasäätö. Tampereen teknillinen
korkeakoulu.
Korvenoja, H. & Nummi, T. 1994. Sekamalli rungon kapeneman ennustamisessa metsätyökoneelle. Tampereen yliopisto. Matemaattisten tieteiden laitos.
Laasasenaho, J. 1982. Taper curve and volume functions for pine, spruce and
birch. Communicationes Instituti Forestalis Fenniae 108.
Nummi, T. 1995. Estimation and prediction in growth curve models with
applications. Acta Universitas Tamperensis ser A vol. 436.
Päivinen, R., Nousiainen M. & Korhonen K. T. 1992. Puutunnusten mittaamisen luotettavuus. Folia Forestalia 787.
Sondell, J. & von Essen, I. 1996. Apteringsdatortest 1995 – studier av sex
apteringsystem. Redogörelse nr 4, 1996.
29
Metsätehon raportti 35
15.12.1997
29